Previsão do teor de lignina em cana-de-açúcar usando espectroscopia no infravermelho próximo e métodos quimiométricos

• Ano de defesa: 2014
• Autor(a) principal: Assis, Camila
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Palavras-chave em Português: Cana-de-açúcar; Biomassa; Lignina; Espectroscopia de infravermelho; Química Analítica
• Link de acesso: http://www.locus.ufv.br/handle/123456789/7645

A construção de modelos de calibração multivariada usando espectroscopia de refletância na região do infravermelho próximo (NIR) e regressão por quadrados mínimos principais (PLS) para estimar teores de lignina de uma série de genótipos de cana-de-açúcar é o objetivo deste trabalho. Análises laboratoriais foram realizadas para determinar os valores de lignina, utilizando o método Klason. As variáveis independentes foram obtidas a partir de diferentes materiais: bagaço seco, bagaço seco com caldo, folha e colmo. Os espectros NIR foram obtidos na faixa de 10000 a 4000 cm-1. O algoritmo Kennard-Stone foi utilizado para selecionar o conjunto calibração e previsão. Os modelos foram construídos empregando a regressão por quadrados mínimos parciais (PLS) e diferentes algoritmos para seleção de variáveis foram testados: iPLS, biPLS, algoritmo Genético (GA) e o método de seleção dos preditores ordenados (OPS). Para o bagaço seco, o melhor modelo foi obtido após seleção de 445 variáveis com o OPS, que obteve RMSEP de 0,85, Rp de 0,97, RPD de 2,87 e erro relativo médio na previsão de 2,82%; para o bagaço seco com caldo o melhor modelo foi obtido após seleção de 265 variáveis com o OPS, que obteve RMSEP de 0,65, Rp de 0,94, RPD de 2,77 e erro relativo médio na previsão de 1,94%; para a folha o melhor modelo foi obtido após seleção de 305 variáveis com o OPS, que obteve RMSEP de 0,58, Rp de 0,96, RPD de 2,56 e erro relativo médio na previsão de 2,47%; para o terço médio do colmo o melhor modelo foi obtido após seleção de 205 variáveis com o OPS, que obteve RMSEP de 0,61, Rp de 0,95, RPD de 3,24 e erro relativo médio na previsão de 1,97%; para o terço superior do colmo o melhor modelo foi obtido após seleção de 300 variáveis com o OPS, que obteve RMSEP de 0,58, Rp de 0,96, RPD de 2,34 e erro relativo médio na previsão de 1,94%; para as partes superiores, inferiores e médias do colmo, o melhor modelo foi obtido após seleção de 250 variáveis com o OPS, que obteve RMSEP de 0,80, Rp de 0,99, RPD de 2,79 e erro relativo médio na previsão de 2,90%. O algoritmo OPS selecionou um menor número de variáveis com maior capacidade preditiva.Todos os modelos mostraram-se confiáveis, com alta exatidão para previsão da lignina em cana-de-açúcar, reduzindo significativamente o tempo para realização das análises e portanto, otimizando o processo como um todo.